La asimilación continua de datos mejora de forma significativa la calidad de las predicciones, lo que depende de la precisión de las condiciones iniciales
La ejecución de una asimilación de datos más regular, que permita usar las observaciones que llegan más tarde y, esencialmente, separar el momento inicial de la asimilación de la toma de observaciones, mejorará significativamente la calidad de las predicciones, lo que depende de la precisión de las condiciones iniciales. Ello nos permite alcanzar dos objetivos sin afectar el momento en que la predicción está disponible para los usuarios: a) utilizar más observaciones en el análisis; y, b) utilizar una versión más precisa de 4D-Var, aunque de gran intensidad computacional. La mayoría de las observaciones adicionales son particularmente recientes, y ahora podremos asimilar observaciones que llegan alrededor de una hora y media más tarde que en el actual sistema. Esas observaciones son especialmente valiosas para la asimilación de datos, ya que contienen la información más actualizada, y, por lo tanto, representan unas condiciones iniciales más realistas que con el sistema anterior.
Los resultados experimentales muestran una mejora consistente que se traduce en un aumento de 2 a 3 horas en la capacidad predictiva. En algunos casos esa mejora marcará una enorme diferencia en la protección de vidas humanas e infraestructuras.
Los cambios en el modelado de las interacciones entre la atmosfera y el océano mejoran la predicción del oleaje
Las predicciones de oleaje utilizadas ampliamente por los servicios meteorológicos y también por los proveedores de servicios meteorológicos y oceanográficos comerciales constituyen otra mejora substancial en nuestro sistema de predicciones. Son una parte importante del sistema Tierra en la medida en que dependen de las condiciones de la atmósfera y del océano, y, a su vez, influyen en esas condiciones, por ejemplo, ralentizando los vientos. Los nuevos parámetros físicos, así como otras mejoras en las variables que determinan las predicciones, como los vientos próximos a la superficie, mejorarán la predicción de oleaje. Entre las variables pronosticadas por el Sistema de Predicción Integrada (SPI, IFS por sus siglas en inglés) se incluyen la altura de las olas, el periodo medio de las olas y la dirección media de las olas. Dichas variables son generadas por vientos locales (olas eólicas), olas que se desplazan lejos del lugar en que se generan (oleaje), y una combinación de las dos.
En el SPI, el modelo de olas del ECMWF se acopla a un modelo atmosférico y a un modelo oceánico, de forma que todas las interacciones relevantes se toman en cuenta, y hay coherencia entre todas las predicciones.
Se prevé una mejora de la consistencia entre la humedad del suelo y los componentes atmosféricos en niveles inferiores gracias a la integración de redes neuronales en el ámbito de la meteorología
La asimilación de datos y el aprendizaje automático se basan en principios muy similares, por lo que resulta lógico que se empiece por esta área para probar e integrar las redes neuronales en el ámbito de la meteorología. Ese potencial ha sido evaluado en un proyecto colaborativo entre CESBIO (Centre d'Etudes Spatiales de la Biosphère) y la ESA (Agencia Espacial Europea) en el cual se entrenó una red neuronal con datos del satélite SMOS e información conocida sobre la humedad del suelo como referencia, y esa red neuronal se aplicó a continuación a observaciones reales para inferir la humedad del suelo. Los resultados muestran que el enfoque de la red neuronal permite asimilar las observaciones del SMOS a un coste de procesamiento electrónico neutro, a la vez que tiene un impacto local de neutro a ligeramente positivo en la humedad del suelo y las predicciones atmosféricas del nivel inferior. Al reducir la humedad del suelo, se contribuye a mejorar la consistencia entre la humedad del suelo y los componentes atmosféricos de la predicción del sistema Tierra.
Los científicos del ECMWF han trabajado muy duro para equipar esta actualización con muchos más productos y avances científicos cuyos detalles pueden encontrarse en la Nota de ejecución del ciclo 46R1 del IFS. Para concluir, nos gustaría citar a Peter Lean, uno de los artífices de la parte de esta magnífica actualización del ECMWF sobre la asimilación continua de datos: "Estoy encantado de trabajar en una organización en la que, cuando alguien tiene una buena idea, todo el mundo se involucra y trabaja conjuntamente para convertirla en realidad."
¿Cuál será el siguiente y apasionante reto científico? Estamos deseando ver el nuevo centro de supercomputación del ECMWF que se construirá en el Tecnopolo de Bolonia en el año 2020.